가입 로그인

Edgar Covantes Osuna

회원 가입일: 2022

골드 리그

44950포인트
Looker의 LookML 이해 Earned 6월 3, 2024 EDT
Looker에서 데이터 모델 관리하기 Earned 5월 12, 2024 EDT
Looker에서 LookML 객체 빌드 Earned 5월 11, 2024 EDT
Data Catalog Fundamentals Earned 5월 10, 2024 EDT
Looker에서 고급 LookML 개념 적용하기 Earned 5월 9, 2024 EDT
BigQuery ML로 ML 모델 만들기 Earned 5월 8, 2024 EDT
BigQuery 데이터에서 인사이트 도출 Earned 5월 8, 2024 EDT
Looker 대시보드 및 보고서를 위해 데이터 준비하기 Earned 5월 7, 2024 EDT
Developing Data Models with LookML Earned 5월 4, 2024 EDT
Google Cloud에서 ML API용으로 데이터 준비하기 Earned 5월 2, 2024 EDT
Analyzing and Visualizing Data in Looker Earned 5월 2, 2024 EDT
Google Cloud 데이터 분석 필수 사항 Earned 4월 30, 2024 EDT
Vertex AI에서 머신러닝 솔루션 빌드 및 배포하기 Earned 2월 6, 2024 EST
ML Pipelines on Google Cloud - 한국어 Earned 2월 6, 2024 EST
Vertex AI로 머신러닝 작업(MLOps) 기능 관리 Earned 1월 19, 2024 EST
머신러닝 작업(MLOps): 시작하기 Earned 1월 19, 2024 EST
Recommendation Systems on Google Cloud Earned 1월 17, 2024 EST
Natural Language Processing on Google Cloud Earned 1월 12, 2024 EST
Computer Vision Fundamentals with Google Cloud Earned 1월 5, 2024 EST
기업의 머신러닝 Earned 1월 3, 2024 EST
프로덕션 머신러닝 시스템 Earned 12월 28, 2023 EST
[DEPRECATED] 특성 추출 Earned 12월 13, 2023 EST
Google Cloud에서 Keras를 사용해 ML 모델을 빌드, 학습, 배포하기 Earned 12월 2, 2023 EST
Launching into Machine Learning - 한국어 Earned 11월 18, 2023 EST
Google Cloud의 AI 및 머신러닝 소개 Earned 10월 30, 2023 EDT
Google Cloud에서 ML API용으로 데이터 준비하기 Earned 9월 30, 2023 EDT
필수 Google Cloud 인프라: 핵심 서비스 Earned 7월 29, 2023 EDT
유연한 Google Cloud 인프라: 확장 및 자동화 Earned 7월 29, 2023 EDT
필수 Google Cloud 인프라: 기초 Earned 7월 28, 2023 EDT
Google Cloud 기초: 핵심 인프라 Earned 7월 27, 2023 EDT
Google Cloud 컴퓨팅 기초: Google Cloud의 데이터, 머신러닝, AI Earned 11월 30, 2022 EST
Google Cloud 컴퓨팅 기초: Google Cloud의 네트워킹 및 보안 Earned 11월 29, 2022 EST
Google Cloud 컴퓨팅 기초: Google Cloud의 인프라 Earned 11월 28, 2022 EST
Google Cloud 컴퓨팅 기초: 클라우드 컴퓨팅 기초 Earned 11월 19, 2022 EST

이 과정에서는 Looker에서 LookML을 직접 사용해 봅니다. LookML 코드를 작성하여 새로운 측정기준과 측정을 만들고, 파생 테이블을 만들어 Explore에 조인하고, Explore를 필터링하고, LookML에서 캐싱 정책을 정의하는 방법을 배웁니다.

자세히 알아보기

중급 Looker에서 데이터 모델 관리하기 기술 배지 과정을 완료하여 다음 기술을 입증하세요. LookML 프로젝트 상태 유지하기, 데이터 검증을 위한 SQL Runner 활용하기, LookML 권장사항 적용하기, 성능을 위한 쿼리 및 보고 최적화하기, 영구 파생 테이블 및 캐싱 정책 구현하기

자세히 알아보기

초급 Looker에서 LookML 객체 빌드 기술 배지 과정을 완료하여 새로운 측정기준 및 측정값, 뷰, 파생 테이블을 빌드하고, 요구사항에 따라 측정 필터 및 유형을 설정하고, 측정기준과 측정값을 업데이트하고, Explore를 빌드 및 미세 조정하고, 기존 Explore에 뷰를 조인하고, 비즈니스 요구사항에 따라 생성할 LookML 객체를 결정하는 기술 역량을 입증할 수 있습니다.

자세히 알아보기

Data Catalog is deprecated and will be discontinued on January 30, 2026. You can still complete this course if you want to. For steps to transition your Data Catalog users, workloads, and content to Dataplex Catalog, see Transition from Data Catalog to Dataplex Catalog (https://cloud.google.com/dataplex/docs/transition-to-dataplex-catalog). Data Catalog is a fully managed and scalable metadata management service that empowers organizations to quickly discover, understand, and manage all of their data. In this quest you will start small by learning how to search and tag data assets and metadata with Data Catalog. After learning how to build your own tag templates that map to BigQuery table data, you will learn how to build MySQL, PostgreSQL, and SQLServer to Data Catalog Connectors.

자세히 알아보기

이 과정에서는 Looker에서 고급 LookML 개념을 적용하는 실무를 직접 경험해 봅니다. Liquid를 사용하여 동적 측정기준과 측정항목을 맞춤설정 및 생성하고 동적 SQL 파생 테이블 및 맞춤설정된 기본 파생 테이블을 만들고 확장을 사용하여 LookML 코드를 모듈화하는 방법을 알아봅니다.

자세히 알아보기

중급 BigQuery ML로 ML 모델 만들기 기술 배지 과정을 완료하면 BigQuery ML로 머신러닝 모델을 만들고 평가하여 데이터 예측을 수행하는 기술 역량을 입증할 수 있습니다.

자세히 알아보기

초급 BigQuery 데이터에서 인사이트 도출 기술 배지 과정을 완료하여 SQL 쿼리 작성, 공개 테이블 쿼리, BigQuery로 샘플 데이터 로드, BigQuery의 쿼리 검사기를 통한 일반적인 문법 오류 문제 해결, BigQuery 데이터를 연결해 Data Studio에서 보고서를 생성하는 작업과 관련된 기술 역량을 입증하세요.

자세히 알아보기

초급 Looker 대시보드 및 보고서를 위해 데이터 준비하기 기술 배지 과정을 완료하면 데이터를 필터링, 정렬, 피벗팅하고, 다른 Looker Explore의 결과를 병합하고, 함수 및 연산자를 사용해 데이터 분석 및 시각화를 위한 Looker 대시보드 및 보고서를 빌드하는 기술 역량을 입증할 수 있습니다.

자세히 알아보기

This course empowers you to develop scalable, performant LookML (Looker Modeling Language) models that provide your business users with the standardized, ready-to-use data that they need to answer their questions. Upon completing this course, you will be able to start building and maintaining LookML models to curate and manage data in your organization’s Looker instance.

자세히 알아보기

초급 Google Cloud에서 ML API용으로 데이터 준비하기 기술 배지를 완료하여 Dataprep by Trifacta로 데이터 정리, Dataflow에서 데이터 파이프라인 실행, Managed Service for Apache Spark에서 클러스터 생성 및 Apache Spark 작업 실행, Cloud Natural Language API, Google Cloud Speech-to-Text API, Video Intelligence API를 포함한 ML API 호출과 관련된 기술 역량을 입증하세요.

자세히 알아보기

In this course, you learn how to do the kind of data exploration and analysis in Looker that would formerly be done primarily by SQL developers or analysts. Upon completion of this course, you will be able to leverage Looker's modern analytics platform to find and explore relevant content in your organization’s Looker instance, ask questions of your data, create new metrics as needed, and build and share visualizations and dashboards to facilitate data-driven decision making.

자세히 알아보기

Google Cloud에서 원시 숫자를 명확한 데이터 기반 의사 결정으로 전환하는 방법을 알아보세요. 이 초급 과정에서는 실무형 실습과 실제 시나리오를 통해 BigQuery에서 데이터를 쿼리하고, Looker에서 트렌드를 탐색하고, 데이터 스튜디오에서 공유 가능한 대화형 보고서를 작성하는 방법을 안내합니다.

자세히 알아보기

Vertex AI에서 머신러닝 솔루션 빌드 및 배포하기 과정을 완료하여 중급 기술 배지를 획득하세요. 이 과정에서는 Google Cloud의 Vertex AI Platform, AutoML, 커스텀 학습 서비스를 사용해 머신러닝 모델을 학습, 평가, 조정, 설명, 배포하는 방법을 알아봅니다. 이 기술배지 과정은 전문 데이터 과학자 및 머신러닝 엔지니어를 대상으로 합니다. 기술 배지는 Google Cloud 제품 및 서비스 숙련도에 따라 Google Cloud에서 독점적으로 발급하는 디지털 배지로, 기술 배지 과정을 통해 대화형 실습 환경에서 지식을 적용하는 역량을 테스트할 수 있습니다. 이 기술 배지 과정과 최종 평가 챌린지 실습을 완료하면 네트워크에 공유할 수 있는 디지털 배지를 받게 됩니다.

자세히 알아보기

이 과정에서는 Google Cloud에서 최신 ML 파이프라인 개발을 담당하는 ML 엔지니어와 트레이너로부터 유익한 지식을 배웁니다. 초반에 진행되는 몇 개 모듈에서는 Google의 TensorFlow 기반 프로덕션 머신러닝 플랫폼으로서 ML 파이프라인과 메타데이터를 관리할 수 있는 TensorFlow Extended(TFX)에 대해 다룹니다. 파이프라인 구성요소와 TFX를 사용한 파이프라인 조정을 알아봅니다. 지속적 통합과 지속적 배포를 통해 파이프라인을 자동화하는 방법과 ML 메타데이터를 관리하는 방법도 배웁니다. 그런 다음 주제를 전환하여 TensorFlow, PyTorch, scikit-learn, xgboost 등 여러 ML 프레임워크에서 ML 파이프라인을 자동화하고 재사용하는 방법을 설명합니다. 또한 Google Cloud의 또 다른 도구인 Cloud Composer를 사용하여 지속적 학습 파이프라인을 조정하는 방법도 알아봅니다. 마지막으로 MLflow를 사용하여 머신러닝의 전체 수명 주기를 관리하는 방법을 살펴봅니다.

자세히 알아보기

이 과정에서는 Google Cloud에서 프로덕션 ML 시스템을 배포, 평가, 모니터링, 운영하기 위한 MLOps 도구와 권장사항을 소개합니다. MLOps는 프로덕션에서 ML 시스템을 배포, 테스트, 모니터링, 자동화하는 방법론입니다. 학습자는 SDK 레이어에서 Vertex AI Feature Store의 스트리밍 수집을 사용하여 실습을 진행하게 됩니다.

자세히 알아보기

이 과정에서는 Google Cloud에서 프로덕션 ML 시스템 배포, 평가, 모니터링, 운영을 위한 MLOps 도구와 권장사항을 소개합니다. MLOps는 프로덕션에서 ML 시스템을 배포, 테스트, 모니터링, 자동화하는 방법론입니다. 머신러닝 엔지니어링 전문가들은 배포된 모델의 지속적인 개선과 평가를 위해 도구를 사용합니다. 이들이 협력하거나 때론 그 역할을 하는 데이터 과학자는 고성능 모델을 빠르고 정밀하게 배포할 수 있도록 모델을 개발합니다.

자세히 알아보기

In this course, you apply your knowledge of classification models and embeddings to build a ML pipeline that functions as a recommendation engine. This is the fifth and final course of the Advanced Machine Learning on Google Cloud series.

자세히 알아보기

This course introduces the products and solutions to solve NLP problems on Google Cloud. Additionally, it explores the processes, techniques, and tools to develop an NLP project with neural networks by using Vertex AI and TensorFlow.

자세히 알아보기

This course describes different types of computer vision use cases and then highlights different machine learning strategies for solving these use cases. The strategies vary from experimenting with pre-built ML models through pre-built ML APIs and AutoML Vision to building custom image classifiers using linear models, deep neural network (DNN) models or convolutional neural network (CNN) models. The course shows how to improve a model's accuracy with augmentation, feature extraction, and fine-tuning hyperparameters while trying to avoid overfitting the data. The course also looks at practical issues that arise, for example, when one doesn't have enough data and how to incorporate the latest research findings into different models. Learners will get hands-on practice building and optimizing their own image classification models on a variety of public datasets in the labs they will work on.

자세히 알아보기

이 과정에서는 우수사례를 중심으로 ML 워크플로에 대한 실질적인 접근 방식을 취합니다. ML팀은 다양한 ML 비즈니스 요구사항과 사용 사례에 직면합니다. 팀에서는 데이터 관리 및 거버넌스에 필요한 도구를 이해하고 가장 효과적으로 데이터 전처리에 접근하는 방식을 파악해야 합니다. 두 가지 사용 사례를 위한 ML 모델을 빌드하는 세 가지 옵션이 팀에 제시됩니다. 이 과정에서는 목표를 달성하기 위해 AutoML, BigQuery ML 또는 커스텀 학습을 사용하는 이유를 설명합니다.

자세히 알아보기

이 과정에서는 프로덕션 환경에서 고성능 ML 시스템을 빌드하기 위한 구성요소와 권장사항을 자세히 살펴봅니다. 정적 학습, 동적 학습, 정적 추론, 동적 추론, 분산 TensorFlow, TPU 등 고성능 ML 시스템 빌드와 관련된 일반적인 고려사항을 다룹니다. 이 과정에서는 정확한 예측 능력 외에도 양질의 ML 시스템을 만드는 특성을 탐구하는 데 중점을 둡니다.

자세히 알아보기

이 과정에서는 Vertex AI Feature Store 사용의 이점, ML 모델의 정확성을 개선하는 방법, 가장 유용한 특성을 만드는 데이터 열을 찾는 방법을 살펴봅니다. 이 과정에는 BigQuery ML, Keras, TensorFlow를 사용한 특성 추출에 관한 콘텐츠와 실습도 포함되어 있습니다.

자세히 알아보기

이 과정에서는 TensorFlow 및 Keras를 사용한 ML 모델 빌드, ML 모델의 정확성 개선, 사용 사례 확장을 위한 ML 모델 작성에 대해 다룹니다.

자세히 알아보기

이 과정에서는 먼저 데이터에 관해 논의하면서 데이터 품질을 개선하고 탐색적 데이터 분석을 수행하는 방법을 알아봅니다. Vertex AI AutoML과 코드를 한 줄도 작성하지 않고 ML 모델을 빌드하고, 학습시키고, 배포하는 방법을 설명합니다. 학습자는 Big Query ML의 이점을 이해할 수 있습니다. 그런 다음, 머신러닝(ML) 모델 최적화 방법과 일반화 및 샘플링으로 커스텀 학습용 ML 모델 품질을 평가하는 방법을 다룹니다.

자세히 알아보기

이 과정에서는 생성형 AI 프로젝트와 예측형 AI 프로젝트를 모두 개발하는 데 중점을 두고 Google Cloud의 AI 및 머신러닝(ML) 기능을 소개합니다. 데이터에서 AI로 이어지는 수명 주기 전반에 걸쳐 사용할 수 있는 다양한 기술, 제품, 도구를 살펴보고, 데이터 과학자, AI 개발자, ML 엔지니어가 대화형 실습을 통해 전문성을 강화할 수 있도록 지원합니다.

자세히 알아보기

초급 Google Cloud에서 ML API용으로 데이터 준비하기 기술 배지를 완료하여 Dataprep by Trifacta로 데이터 정리, Dataflow에서 데이터 파이프라인 실행, Managed Service for Apache Spark에서 클러스터 생성 및 Apache Spark 작업 실행, Cloud Natural Language API, Google Cloud Speech-to-Text API, Video Intelligence API를 포함한 ML API 호출과 관련된 기술 역량을 입증하세요.

자세히 알아보기

이 속성 주문형 과정은 참가자에게 Google Cloud에서 제공하는 포괄적이고 유연한 인프라 및 플랫폼 서비스를 Compute Engine을 중심으로 소개합니다. 참가자는 동영상 강의, 데모, 실무형 실습을 통해 네트워크, 시스템, 애플리케이션 서비스와 같은 인프라 구성요소를 포함한 솔루션 요소를 탐색하고 배포해 볼 수 있습니다. 또한 이 과정에서는 고객 제공 암호화 키, 보안 및 액세스 관리, 할당량 및 요금 청구, 리소스 모니터링 등 실용적인 솔루션을 배포하는 방법에 대해서도 설명합니다.

자세히 알아보기

이 속성 주문형 과정에서는 참가자에게 Google Cloud에서 제공하는 포괄적이고 유연한 인프라 및 플랫폼 서비스를 소개합니다. 참가자는 동영상 강의, 데모, 실무형 실습이 결합된 이 과정을 통해 안전한 네트워크 상호 연결, 부하 분산, 자동 확장, 인프라 자동화, 관리형 서비스가 포함된 솔루션 요소를 살펴보고 배포할 수 있습니다.

자세히 알아보기

이 속성 주문형 과정은 참가자에게 Google Cloud에서 제공하는 포괄적이고 유연한 인프라 및 플랫폼 서비스를 Compute Engine을 중심으로 소개합니다. 참가자는 동영상 강의, 데모, 실무형 실습을 통해 네트워크, 가상 머신, 애플리케이션 서비스와 같은 인프라 구성요소를 포함한 솔루션 요소를 탐색하고 배포해 볼 수 있습니다. Console과 Cloud Shell을 통해 Google Cloud를 사용하는 방법을 학습합니다. 또한 클라우드 설계자의 역할, 인프라 설계 접근 방식은 물론 Virtual Private Cloud(VPC), 프로젝트, 네트워크, 서브네트워크, IP 주소, 경로, 방화벽 규칙을 사용한 가상 네트워킹 구성에 대해 알아봅니다.

자세히 알아보기

Google Cloud 기초: 핵심 인프라 과정은 Google Cloud 사용에 관한 중요한 개념 및 용어를 소개합니다. 이 과정에서는 동영상 및 실무형 실습을 통해 중요한 리소스 및 정책 관리 도구와 함께 Google Cloud의 다양한 컴퓨팅 및 스토리지 서비스를 살펴보고 비교합니다.

자세히 알아보기

Google Cloud 컴퓨팅 기초 과정은 클라우드 컴퓨팅에 대한 배경지식 또는 경험이 거의 없는 개인을 대상으로 합니다. 이 과정은 클라우드 기본사항, 빅데이터, 머신러닝에 대한 핵심 개념을 간략히 설명하고 Google Cloud의 적용 위치 및 방식에 대한 개요를 제공합니다. 일련의 과정을 마친 학습자는 이러한 개념을 명확하게 설명하고 몇 가지 실무 기술 역량을 입증할 수 있게 됩니다. 과정은 다음 순서대로 완료해야 합니다. 1. Google Cloud 컴퓨팅 기초: 클라우드 컴퓨팅 기초 2. Google Cloud 컴퓨팅 기초: Google Cloud의 인프라 3. Google Cloud 컴퓨팅 기초: Google Cloud의 네트워킹 및 보안 4. Google Cloud 컴퓨팅 기초: Google Cloud의 데이터, 머신러닝, AI 이 시리즈의 마지막 과정에서는 관리형 빅데이터 서비스, 머신러닝과 그 가치를 복습하고 기술 배지를 획득하여 Google Cloud 기술 역량을 추가로 입증하는 방법을 살펴봅니다.

자세히 알아보기

Google Cloud 컴퓨팅 기초 과정은 클라우드 컴퓨팅에 대한 배경 지식 또는 경험이 거의 없는 개인을 대상으로 합니다. 이 과정은 클라우드 기본사항, 빅데이터, 머신러닝에 대한 핵심 개념을 간략히 설명하고 Google Cloud의 적용 위치 및 방식에 대한 개요를 제공합니다. 일련의 과정을 마친 학습자는 이러한 개념을 명확하게 설명하고 몇 가지 실무 기술 역량을 입증할 수 있게 됩니다. 다음 순서대로 과정을 완료해야 합니다. 1. Google Cloud 컴퓨팅 기초: 클라우드 컴퓨팅 기초 2. Google Cloud 컴퓨팅 기초: Google Cloud의 인프라 3. Google Cloud 컴퓨팅 기초: Google Cloud의 네트워킹 및 보안 4. Google 클라우드 컴퓨팅 기초: Google Cloud의 데이터, 머신러닝, AI 이 세 번째 과정에서는 클라우드 자동화 및 관리 도구와 안전한 네트워크 구축에 대해 다룹니다.

자세히 알아보기

Google Cloud 컴퓨팅 기초 과정은 클라우드 컴퓨팅에 대한 배경지식 또는 경험이 거의 없는 개인을 대상으로 합니다. 이 과정은 클라우드 기본사항, 빅데이터, 머신러닝에 대한 핵심 개념을 간략히 설명하고 Google Cloud의 적용 위치 및 방식에 대한 개요를 제공합니다. 일련의 과정을 마친 학습자는 이러한 개념을 명확하게 설명하고 몇 가지 실무 기술 역량을 입증할 수 있게 됩니다. 과정은 다음 순서대로 완료해야 합니다. 1. Google Cloud 컴퓨팅 기초: 클라우드 컴퓨팅 기초 2. Google Cloud 컴퓨팅 기초: Google Cloud의 인프라 3. Google Cloud 컴퓨팅 기초: Google Cloud의 네트워킹 및 보안 4. Google Cloud 컴퓨팅 기초: Google Cloud의 데이터, 머신러닝, AI

자세히 알아보기

Google Cloud 컴퓨팅 기초 과정은 클라우드 컴퓨팅에 대한 배경지식 또는 경험이 거의 없는 개인을 대상으로 합니다. 이 과정은 클라우드 기본사항, 빅데이터, 머신러닝에 대한 핵심 개념을 간략히 설명하고 Google Cloud의 적용 위치 및 방식에 대한 개요를 제공합니다. 일련의 과정을 마친 학습자는 이러한 개념을 명확하게 설명하고 몇 가지 실무 기술 역량을 입증할 수 있게 됩니다. 과정은 다음 순서대로 완료해야 합니다. 1. Google Cloud 컴퓨팅 기초: 클라우드 컴퓨팅 기초 2. Google Cloud 컴퓨팅 기초: Google Cloud의 인프라 3. Google Cloud 컴퓨팅 기초: Google Cloud의 네트워킹 및 보안 4. Google Cloud 컴퓨팅 기초: Google Cloud의 데이터, 머신러닝, AI 첫 번째 과정에서는 클라우드 컴퓨팅, Google Cloud 사용 방법, 다양한 컴퓨팅 옵션에 대한 개요를 제공합니다.

자세히 알아보기